Series Temporales CIMAT, 2012 Clase 1
Introducción El análisis de series de datos registrados consecutivamente en el tiempo presenta contrastes con otros métodos estadísticos ‘clásicos’. Presencia de un orden (temporal) en los datos Presencia de correlaciones al muestrear valores cercanos en el tiempo
Introducción Economía Ciencias Sociales Epidemiología Medicina: – Variables (temperatura, presión, estudios tipo ‘Holster’) – Electrocardiogramas – EEG / fMRI Física Manchas solares Sísmica Ingeniería Reconocimiento del lenguaje Ciencias Ambientales – Contaminación – Lluvias – Oceanografía Importantes aplicaciones en muy diversas áreas
Introducción Dominio del tiempo La correlación entre puntos contiguos en el tiempo se explica por una dependencia del valor presente con los valores pasados de la serie. Se modelan los valores futuros como una función paramétrica del valor presente y los valores pasados. ARMA / ARIMA (Box & Jenkins) Dominio de las frecuencias Las características principales son las variaciones periódicas que aparecen en los datos. Con frecuencia son producto de causas biológicas, físicas, ambientales, etc. Que resultan de interés. Análisis de la descomposición de la varianza en términos de las distintas frecuencias presentes (espectro). Dos enfoques (no incompatibles) para el análisis de ST
Ejemplo 1: Manchas Solares
Ejemplo 2: Pasajeros de Pan Am
Ejemplo 3: Finanzas
Ejemplo 4: Temperatura
Ejemplo 5: Temperatura
Ejemplo 6: Temperatura
Ejemplo 7: Finanzas
19/19/1987
Ejemplo 7: Finanzas
Ejemplo 8: Sonido
Ejemplo 9: Series Múltiples
Ejemplo 10: Pesca
Ejemplo 11: fMRI
Ejemplo 12: Geofísica
Ejemplo 13: Lluvias
Ejemplo 14: Olas
MODELOS ESTADISTICOS Series Temporales
Modelos Estadísticos
Ejemplo 1: Ruido Blanco
Ejemplo 2: Promedios Móviles
Ejemplo 3: Modelos Autoregresivos
Ejemplo 4: Paseo al Azar con Deriva
Ejemplo 5: Señal + Ruido Con frecuencia un modelo apropiado para una ST es el de una señal que muestra algún tipo de variación periódica, que ha sido contaminada por la presencia de un ruido. Como ejemplo podemos considerar una señal sinusoidal donde el primer término es la señal. Este modelo también se puede escribir como donde es la amplitud, es la frecuencia de la oscilación y es la fase. ().
Ejemplo 5: Señal + Ruido
Procesos Aleatorios El teorema de Kolmogorov Separabilidad Algunas clases de procesos aleatorios – Procesos débilmente estacionarios – Procesos fuertemente estacionarios – Procesos con incrementos estacionarios – Procesos con incrementos independientes – Procesos de Markov – Martingalas – Procesos Gaussianos